具身智能产业催生新质生产力实施方案

身体力行·智启实体具身智能产业催生新质生产力实施方案（2026—2030年）方案提要：具身智能的特殊性在于，它把人工智能从“屏幕里的对话”推向“物理世界的行动”，其产业化的难点不是模型参数不够大，而是“大脑—小脑—本体—数据”四个环节的耦合深度不足。当前，人形机器人整机热度高，但运动控制的实时性、灵巧操作的可靠性、真实数据的稀缺性、部件成本的高企，仍是制约规模化落地的硬约束。大量企业扎堆整机集成，却在核心部件、运动控制算法、数据飞轮和场景闭环上缺乏纵深。本方案不主张“整机数量竞赛”，而是围绕“大脑开源、小脑攻坚、本体分级、数据闭环、场景验证、安全分级”六条主线，从技术攻关、公共平台、企业培育、场景开放、供应链自主、人才供给、资本模式、安全治理八个维度，设计了一套面向具身智能全链条的培育机制，并配套技术路线选择矩阵、训练场开放规程、场景优先级评估表、部件自主化清单和绩效指标表，供地方主管部门和产业主体参照使用。一、形势判断与产业逻辑具身智能的概念正在从实验室走向产业视野。与传统工业机器人和服务机器人相比，具身智能的核心区别在于“感知—决策—行动”的一体化闭环：机器人不再执行预先编程的固定动作，而是基于对环境的实时理解，自主生成并调整行动。这一能力的技术底座，是大模型带来的语义理解和任务规划能力，与运动控制、传感器融合和机械本体相结合。人形机器人被视为具身智能的典型载体，但具身智能的产业边界远不止人形——工业机械臂、移动操作平台、四足机器人、无人车、无人机等，只要具备“身体”与“智能”的结合，都属于这一范畴。当前产业呈现三个特征。第一，整机热度与部件纵深不匹配。人形机器人整机企业数量快速增加，但许多企业的核心部件依赖外购、运动控制算法依赖开源、场景验证停留在演示阶段。整机集成门槛在降低，而真正决定产品竞争力的部件、算法和数据能力并未同步提升。第二，大脑与小脑的发展不均衡。大模型赋能的“大脑”（任务理解、规划、交互）进展较快，但负责实时运动控制的“小脑”（平衡、步态、力控、灵巧操作）仍是瓶颈。物理世界的实时性要求（毫秒级响应）与大模型的推理延迟之间存在根本张力。第三，真实数据极度稀缺。互联网文本数据无法直接用于物理操作，具身智能需要大量“第一人称”的视触觉操作数据，而这类数据的采集成本高、标准不统一、跨本体迁移难，数据飞轮尚未形成。本方案的基本判断是：具身智能催生新质生产力，不能走“整机铺量、补贴驱动”的路子，而应以“小脑”运动和操作能力为攻坚核心，以真实数据飞轮为长期壁垒，以核心部件自主化为成本基础，以场景闭环为商业化验证，以安全分级为治理底线。整机是载体，但整机的竞争力取决于部件、算法和数据。方案不追求人形机器人整机产量和融资额的数字竞赛，而追求运动控制可靠性、灵巧操作成功率、部件国产化率、真实数据积累量和场景闭环项目数的实质性提升。核心判断具身智能产业最容易被高估的是“大脑”的通用性，最容易被低估的是“小脑”的工程难度和数据积累的长期性。一个大模型可以在数月内迭代，但让机器人在非结构化环境中稳定地抓取、行走、操作，需要数年计的物理交互数据和工程打磨。方案的制度价值，是把资源从小脑和数据这两个“慢变量”上补起来，而不是在大脑的“快变量”上重复投入。二、总体要求与发展目标（一）指导思想以运动控制与灵巧操作能力为攻坚核心，以真实数据飞轮为长期壁垒，以核心部件自主化为成本基础，以场景验证和商业闭环为牵引，以安全分级和伦理治理为底线，推动具身智能从“整机集成”向“能力纵深”转变，从“演示驱动”向“场景驱动”转变，从“单点突破”向“全链协同”转变。坚持市场主导与政府引导相结合，坚持整机牵引与部件筑基相结合，坚持技术创新与安全可控相结合，把具身智能打造为新质生产力在人工智能与先进制造交叉领域的重要增长极。（二）基本原则第一，小脑优先。把运动控制、力控、灵巧操作的工程化能力作为产业竞争力的核心，避免“大脑很聪明、身体不听使唤”。第二，数据筑基。把真实操作数据的采集、标注、共享和跨本体迁移作为长期基础设施，而非短期项目。第三，部件分级。区分“必须自主”“多元供应”“正常采购”三类部件，把资源集中在减速器、灵巧手、力传感器、实时控制器等“卡脖子”环节。第四，场景聚焦。优先支持结构化程度较高、经济性可验证、安全风险可控的场景，避免在开放家庭环境中仓促推广。第五，安全兜底。建立覆盖人机协作、物理安全、数据隐私和伦理边界的治理框架。（三）分阶段目标阶段能力建设目标产业培育目标2026—2027年

筑基期建成具身智能公共训练场和数据采集平台；小脑运动控制算法在典型场景达到可用水平；灵巧手、力传感器、实时控制器等部件完成工程化验证；安全分级框架和测试标准初步建立。在工业分拣、物流搬运、危险环境巡检等场景形成可复制的闭环案例；培育一批部件和算法专精特新企业；整机企业从“集成组装”向“核心能力自研”转变。2028—2029年

成长期真实操作数据积累形成规模，跨本体迁移能力提升；小脑在非结构化环境中的鲁棒性显著改善；核心部件国产化率大幅提高；训练场实现市场化运营；安全认证体系基本完善。具身智能在制造、物流、医疗、农业、家庭服务等场景规模化应用；形成若干特色产业集群；商业模式从“卖整机”向“整机+服务+数据”延伸。2030年

提升期形成自主可控的“大脑—小脑—本体—数据”技术体系；运动控制和灵巧操作达到国际先进水平；数据飞轮和仿真验证平台成熟运行；安全治理与国际规则接轨。具身智能成为新质生产力的重要载体；在若干细分场景形成全球竞争力；产业生态趋于成熟。三、技术攻关：大脑开源、小脑攻坚、本体分级（一）大脑：开源生态与垂直优化并重“大脑”负责任务理解、规划、交互和异常处理，是大模型能力在物理世界的延伸。大脑的技术路线不宜由地方各自封闭开发，而应拥抱开源生态、聚焦垂直优化。建议：基础模型层，支持企业和高校基于开源多模态大模型进行具身智能适配，避免重复训练基础模型；垂直优化层，重点攻关面向具身场景的任务分解、空间推理、工具使用、人机对话和失败恢复能力，形成可在特定场景中稳定运行的“具身大脑”；接口标准层，推动大脑与小脑之间的指令接口标准化，使不同大脑模型能够适配不同本体，降低生态碎片化。大脑的评价标准不是“对话多流畅”，而是“任务完成率”和“异常恢复能力”。（二）小脑：运动控制与灵巧操作的工程化攻坚“小脑”负责实时运动控制、平衡、力控和灵巧操作，是具身智能产业化的真正瓶颈。小脑的难点在于：物理世界的实时性要求（毫秒级控制周期）与大模型的推理延迟之间存在矛盾；非结构化环境中的接触、摩擦、形变难以精确建模；灵巧手的多指协调和高自由度控制缺乏成熟方案。建议将小脑攻关作为独立序列，重点包括：实时运动控制框架（分层控制架构、模型预测控制、全身动力学控制）、灵巧操作（多指抓取规划、力位混合控制、触觉反馈融合、工具使用）、鲁棒平衡与步态（复杂地形行走、抗扰动恢复、跌倒保护）、仿真到现实的迁移（域随机化、系统辨识、残差学习）。小脑攻关应强调“在真实本体上验证”，避免只在仿真环境中刷指标。建议依托公共训练场，为不同团队提供统一的本体平台和测试基准，使小脑算法的性能可横向比较。（三）本体：部件分级自主化本体是具身智能的物理载体，其成本、可靠性和轻量化直接决定商业化可行性。本体部件应实行分级自主化策略：必须自主（减速器、伺服电机、力/力矩传感器、灵巧手、实时控制器、编码器），这些环节技术壁垒高、供应链风险大、对性能和成本影响显著；多元供应（电池、摄像头、激光雷达、结构件、线束），可通过国产替代、备份供应商和联合开发降低风险；正常采购（通用芯片、连接器、标准件），市场化供应稳定，不必强行替代。部件攻关应注重“性能—成本—可靠性”的三角平衡，避免为追求单项指标而牺牲量产一致性。建议建立部件—整机协同验证机制，让部件企业能够将样品接入整机进行端到端测试，整机企业提前反馈指标需求。技术环节攻关重点验证方式风险提示大脑任务分解、空间推理、工具使用、失败恢复场景任务完成率、异常恢复率脱离本体能力，规划无法执行小脑实时控制、灵巧操作、鲁棒平衡、仿真迁移真实本体上的操作成功率、响应延迟仿真指标好、真机不稳定本体部件减速器、伺服、力传感器、灵巧手、控制器部件性能测试、整机端到端验证部件与整机脱节，样品无法上机数据真实操作数据采集、标注、跨本体迁移数据规模、迁移后的任务成功率数据不可复用，采集成本失控四、数据飞轮与公共训练场（一）真实数据的稀缺性与采集策略具身智能与纯软件AI最大的区别，在于其训练数据必须来自物理世界的交互。互联网上的文本和图像数据无法提供“抓取一个鸡蛋需要多大力度”“在斜坡上行走如何调整重心”这类知识。真实操作数据的采集面临三重困难：成本高（需要真实机器人、操作人员和场景）、标准缺（不同本体的数据格式、标注方式不统一）、迁移难（在一个本体上训练的策略难以直接迁移到另一个本体）。建议采取“分层采集”策略：公共训练场负责采集标准化、可共享的基础操作数据；企业负责采集自身场景中的专有数据；仿真平台负责生成合成数据和进行域随机化。三层数据通过统一的数据格式和接口标准衔接，形成“仿真预训练—真实微调—场景验证”的循环。（二）公共训练场的功能与开放规则公共训练场是具身智能产业培育的关键基础设施，其功能不是“展示”，而是“验证”和“数据生产”。建议训练场具备四类功能：标准化测试环境（工业分拣、物流搬运、家庭服务、危险巡检等场景的模块化搭建）、多本体接入能力（支持人形、机械臂、移动平台、四足等不同本体的测试）、数据采集与标注服务（统一的传感器配置、时间同步、标注规范）、仿真与真机联调（数字孪生环境与真实环境的对比验证）。训练场应实行预约制，向企业、高校和初创团队开放，收费标准公开。开放规则应明确：数据归属（谁采集谁拥有，训练场可在脱敏后用于公共数据集）、安全责任（测试期间的安全由使用方负责，训练场提供基础安全保障）、成果反馈（使用方须反馈测试结果和改进建议）。训练场的绩效评价应以服务外部主体数量、产生的公共数据量和支撑的算法改进数为核心指标，而非自身营收。（三）数据标准与跨本体迁移数据飞轮能否转起来，取决于数据能否被复用。建议在窗口期内推动三项标准工作：数据格式标准（统一视觉、触觉、关节状态、力/力矩、动作指令的字段定义和时间戳规范）、标注规范（统一任务标签、成功/失败判定、异常类型分类）、跨本体映射规范（定义不同自由度、不同传感器配置的本体之间的动作空间映射方法）。标准制定应由训练场运营方、整机企业、部件企业和高校共同参与，避免由单一机构主导。对贡献公共数据的企业和团队，在训练场使用优先级、项目申报和数据reciprocal访问上给予激励。跨本体迁移是数据复用的关键，建议设立专项攻关，重点研究动作空间对齐、动力学参数辨识和策略蒸馏。数据飞轮检查清单是否建立了统一的数据格式和标注规范是否有公共训练场持续产生标准化操作数据是否定义了跨本体的动作空间映射方法是否有数据贡献的激励机制和reciprocal访问规则是否将仿真数据与真实数据纳入统一的训练pipeline是否对数据质量和任务成功率进行持续跟踪五、企业梯度培育与产业生态（一）整机企业的“能力纵深”要求整机企业是具身智能产业的牵引力量，但整机集成本身不构成护城河。建议对整机企业的支持设置“能力纵深”门槛：要么掌握小脑核心算法（运动控制、灵巧操作的自研能力），要么掌握核心部件（灵巧手、力传感器、关节模组的自研或深度绑定），要么掌握场景闭环（在特定场景中形成可复制的解决方案和运营能力）。三者至少有其一，而非仅做“采购部件+开源算法+组装整机”。对具备能力纵深的整机企业，在训练场使用、场景开放、融资对接和首台套应用上给予倾斜。对仅做集成的企业，引导其向部件、算法或场景服务转型，而非简单淘汰。（二）部件与算法专精特新企业培育具身智能的竞争力很大程度上藏在部件和算法里。建议重点培育在减速器、伺服电机、力/力矩传感器、灵巧手、编码器、实时控制器、触觉传感器、运动控制算法、仿真平台等细分环节具有技术深度的专精特新企业。支持其参与整机企业的联合开发和训练场的部件验证，在细分领域形成差异化优势。对掌握核心技术的专精特新企业，在融资、用地、人才引进和首台套应用上给予倾斜。部件企业最大的障碍往往是“没有上机验证的机会”，建议将“整机企业开放验证通道”纳入整机企业参与政府项目的评价维度，形成可核查的开放承诺。（三）初创企业孵化与场景服务商鼓励高校院所科研人员和产业资深工程师创办具身智能企业，支持孵化器、加速器提供训练场、测试设施、数据服务、融资对接和法律咨询服务。对初创企业，可通过概念验证基金、天使投资、政府购买服务等方式给予早期支持。除整机和部件企业外，应特别重视场景服务商的培育——这类企业不造机器人，而是基于具身智能产品为特定行业提供解决方案和运营服务（如仓储分拣服务、危险环境巡检服务、商业清洁服务）。场景服务商是连接技术与市场的关键环节，其价值在于把“机器人能力”转化为“客户愿意付费的服务”。建议对场景服务商给予场景开放、首用支持和运营补贴，帮助其跑通商业闭环。（四）产业链协同与标准推动具身智能企业与传感器、芯片、材料、软件、场景用户等环节建立稳定协作关系。支持建立具身智能产业联盟，开展技术交流、标准制定、供需对接和人才培训。标准制定应优先覆盖：本体性能测试标准（运动精度、负载能力、续航、可靠性）、安全标准（人机协作安全、急停、跌倒保护）、数据标准（格式、标注、跨本体映射）、接口标准（大脑—小脑接口、部件—整机接口）。标准制定应注重“实用、可测、可互认”，避免为了“有标准”而制定标准。对在标准共建中贡献突出的企业，在政府采购和示范项目中给予认可。六、场景开放与商业化路径（一）场景优先级评估具身智能的应用场景极其广泛，但经济性和安全风险差异极大。建议从四个维度评估场景优先级：结构化程度（环境是否可控、任务是否明确）、经济性（替代人工的成本是否可承受、投资回收期是否合理）、安全风险（人机协作的物理风险、失败后果的严重性）、数据可得性（场景中能否采集到高质量的操作数据）。优先支持“结构化程度较高、经济性可验证、安全风险可控、数据可得性好”的场景，对“开放家庭环境、高风险医疗手术、复杂非结构化环境”等场景，以研发和受控验证为主，不急于规模化推广。场景结构化程度经济性安全风险优先级建议工业分拣与上下料高（环境可控、任务明确）较好（替代重复劳动）中（需隔离或限速）优先物流搬运与仓储较高（路径相对固定）较好（人力成本高）中（人机混行需管控）优先危险环境巡检中（环境复杂但人少）好（安全价值高）低（人少则风险低）重点示范商业清洁与配送中（人流动态）较好（人工成本高）中（需避障和急停）场景聚焦家庭服务低（非结构化、任务多样）差（成本高、付费意愿低）高（人机近距离接触）谨慎推进医疗手术与康复中（受控但精度要求极高）好（价值高）极高（失败后果严重）受控验证（二）从“卖整机”到“卖服务”具身智能的早期商业化，整机销售往往面临“价格高、客户不愿承担技术风险”的困境。建议探索“整机+服务”“租赁+运营”“按效果付费”等商业模式。租赁+运营：由服务商持有机器人，向客户提供运营服务，客户按使用时长或任务量付费，降低客户的初始投入和风险。按效果付费：在分拣、巡检等场景中，按处理量、巡检覆盖率或异常发现率收费，将技术风险部分转移给服务商。人机协作过渡：在完全自主尚不可靠的阶段，采用“机器人执行+人工监督/接管”的模式，在保证效率的同时控制风险。商业模式创新的关键是找到愿意付费的场景和可持续的定价机制，避免长期依赖补贴。（三）公共场景首用与风险补偿政府掌握的公共场景（市政设施、公共交通、公共机构、政府采购项目等）应优先向具身智能产品开放。例如，公共仓储分拣、市政巡检、园区配送、应急物资搬运等场景，可优先采购具身智能产品和服务。首用不意味着降低安全标准，而是将“运行实绩”作为替代“既往案例”的资格条件，帮助新产品跨过“无业绩”门槛。同时，建立首用风险补偿机制：对首用中因产品不成熟造成的非重大损失，由专项资金的补偿部分，降低使用单位的顾虑。公共场景开放的关键是“规则先行”——在开放之前把安全责任、数据归属、退出机制约定清楚。七、供应链自主与成本下降（一）部件成本结构分析具身智能整机成本高，是制约规模化的核心因素。成本主要集中在关节模组（减速器、伺服电机、编码器、驱动器）、灵巧手（多指机构、微型电机、触觉传感器）、力/力矩传感器、计算平台和电池。建议对整机成本进行拆解分析，识别哪些环节成本下降空间最大、哪些环节受制于进口、哪些环节可以通过规模效应摊薄。对减速器、伺服电机等已具备国产化基础的环节，重点是通过规模化生产和工艺改进降本；对灵巧手、触觉传感器、高精度力传感器等仍依赖进口或成本高企的环节，重点是通过技术攻关和替代方案降本；对计算平台，可通过采用国产AI芯片和优化算法降低对高端GPU的依赖。（二）部件—整机协同降本部件成本高，部分原因是“定制化程度高、批量小”。建议推动部件标准化和模块化：定义通用的关节模组接口、灵巧手安装接口、传感器接口和通信协议，使不同整机企业能够复用同一部件平台，提高部件企业的批量，降低单位成本。同时，推动整机企业在设计阶段就考虑部件的可采购性和成本约束，避免“先设计整机、再找部件”导致的定制化成本。对采用标准化部件、达到一定国产化率的整机产品，在政府采购和示范项目中给予优先。部件—整机协同降本的关键是建立“需求—设计—采购”的早期对齐机制，而非事后压价。（三）供应链韧性具身智能供应链涉及精密制造、电子、材料等多个领域，部分高端部件仍依赖进口。建议梳理供应链风险清单，识别“卡脖子”环节，通过自主研发、国产替代、备份供应商和战略储备降低风险。对短期内难以完全替代的环节，应建立多元供应渠道，避免单一来源依赖。供应链安全不是追求“全部自给”，而是在关键环节做到“有备无患”。建议建立具身智能供应链信息平台，发布关键部件的供应情况和风险预警，帮助企业提前应对。八、人才供给与组织能力（一）跨学科复合型人才具身智能最稀缺的人才是“跨学科复合型人才”——既懂人工智能（感知、规划、学习），又懂机器人（运动学、动力学、控制），还懂工程实现（机械、电子、实时系统）。这类人才在传统学科培养体系中很少产出。建议：联合培养，支持高校与企业共建具身智能学院或联合培养项目，将企业的真实本体和场景问题作为研究生课题，实行双导师制；工程实训，依托公共训练场，为学生和青年工程师提供真机操作、数据采集、算法部署的实操机会；跨学科课程，鼓励高校开设“具身智能系统”“机器人学习”“灵巧操作”等交叉课程，打破院系壁垒。培养质量的标准不是论文数量，而是能否在真机上跑通一个完整的“感知—决策—行动”闭环。（二）工程化人才的引进与留用具身智能的工程化人才（运动控制工程师、嵌入式工程师、系统集成工程师、测试工程师）同样稀缺，且面临互联网和自动驾驶企业的高薪竞争。建议在人才政策上区分“算法研究人才”和“工程化人才”：对后者，以重大项目的参与感、清晰的工程晋升通道和与贡献匹配的薪酬为核心吸引力。对参与公共训练场建设、部件攻关和整机验证的工程师，在职称评审中单列“工程贡献”类别。鼓励企业建立技术通道，使工程师不转管理岗也能获得职业发展。（三）一线操作与运维人才具身智能产品在场景中落地后，需要大量的现场操作、维护和故障处理人员。这类人才不需要高学历，但需要理解机器人的基本操作、安全规范和常见故障处理。建议职业院校开设具身智能运维相关专业或课程，企业提供实训岗位，形成“培训—认证—就业”的通道。一线运维人才的质量直接影响客户体验和产品口碑，不应被忽视。九、资本支持与商业模式（一）多元投入结构具身智能投入大、周期长、不确定性高，需要多元化资金支持。财政资金重点支持公共训练场、数据平台、部件攻关、安全测试等公共环节。产业基金重点投向成长期企业和场景闭环项目，存续期应匹配具身智能的长周期特征。金融信贷可为整机生产和场景部署提供设备贷款和流动资金。社会资本可通过风险投资、并购基金等方式参与。四方资金应各司其职，避免重复投入或留下空白。（二）投早投小与容错机制具身智能的前沿技术和新场景探索往往来自初创企业，需要“投早、投小、投长期”的资本支持。建议设立具身智能概念验证基金和天使基金，对早期项目给予小额、多点的支持，允许较高失败率。国有资本参与的投资应建立容错免责机制，明确适用容错的情形和认定程序，避免因单个项目失败而影响整体投入积极性。基金考核应关注技术突破和场景闭环效果，而非短期财务回报。（三）商业模式与收入结构具身智能企业应尽早探索可持续的收入结构：整机销售（标准产品）、部件销售（关节模组、灵巧手等）、算法授权（运动控制、操作算法）、服务运营（租赁、按效果付费）、数据服务（场景数据采集和标注）。单一依赖整机销售的企业抗风险能力弱，建议在早期就规划“产品+服务+数据”的组合收入。商业模式创新的关键是找到愿意付费的用户和可持续的定价机制，避免长期依赖融资和政府补贴。十、安全治理与伦理边界（一）物理安全分级管理具身智能机器人在物理世界中行动，其安全风险远高于纯软件AI。建议根据人机距离、任务风险、自主程度三个维度，对具身智能产品实行安全分级管理：低风险（人机隔离、任务简单、自主程度低）对应基本安全要求；中风险（人机近距离协作、任务有一定复杂性）对应限速、急停、力限、安全监控等要求；高风险（人机密切接触、任务高风险、高度自主）对应冗余设计、安全认证、保险和应急响应等要求。安全分级的目的不是限制创新，而是使不同风险等级的产品对应不同的合规成本，避免“一刀切”扼杀低风险应用。（二）数据隐私与伦理审查具身智能机器人在家庭、医疗、教育等场景中运行时，会采集大量涉及隐私的视觉、语音和行为数据。建议建立数据隐私保护规则：明确数据采集的最小必要范围、存储期限、访问权限和脱敏要求；对涉及个人隐私的数据，须获得用户知情同意；对数据跨境流动，须符合相关法规。伦理方面，对涉及儿童、老人、残障人士等弱势群体的具身智能应用，应建立伦理审查机制，评估其对用户自主性、尊严和隐私的影响。伦理审查不替代技术审查和安全审查，而是从社会可接受性角度提供独立意见。（三）责任界定与保险机制具身智能机器人在运行中可能造成人身伤害或财产损失，责任界定是商业化必须面对的问题。建议探索“产品责任+运营责任+保险”的组合机制：制造商对产品缺陷负责，运营方对操作和维护负责，保险对意外事故提供赔付。对自主程度较高的机器人，应要求配备“黑匣子”式的运行数据记录，以便事故后追溯原因。责任界定规则应在产品说明书、服务协议和保险条款中明确，避免事后争议。保险产品的开发应与安全分级挂钩，低风险产品对应低保费，高风险产品对应高保费和更严格的承保条件。十一、组织实施与绩效评价（一）组织架构建议建立“市级统筹、区县落实、平台支撑、企业主体”的组织架构。市级层面成立具身智能产业发展工作专班，由工信、科技、发改、财政、人社、市场监管等部门参加，负责政策制定、任务发布、绩效监测和协调服务。区县层面负责项目落地和配套支持。平台层面由公共训练场、数据平台、检测认证平台等承担公共服务职能。企业层面由整机企业牵头组建创新联合体，带动部件、算法和场景服务企业协同。四方职责清晰、接口明确，避免“都在管、都不管”。（二）年度行动安排时间重点任务责任主体第一季度完成产业摸底和企业诊断；发布年度重点任务和攻关清单；公共训练场建设方案编制；安全分级框架制定工作专班、行业专家、平台建设单位第二季度公共训练场开工建设或改造；数据标准制定；部件攻关立项；整机—部件协同验证启动；人才联合培养启动平台运营方、企业、高校院所第三季度训练场投入试运行；小脑算法在真机上验证；场景验证项目中期检查；安全测试和认证启动；标准工作坊平台运营方、专家委员会、企业第四季度年度绩效评价；场景闭环案例评估；下一年度任务和预算编制；经验总结与推广工作专班、第三方评估机构、企业（三）绩效指标建议从六个维度设置监测指标。技术攻关类：小脑在真机上的操作成功率、运动控制延迟、灵巧手自由度与力控精度、部件国产化率、专利授权数。数据与平台类：训练场服务外部主体数、公共数据采集量、数据格式标准覆盖的本体数、跨本体迁移成功率。企业培育类：专精特新企业新增数、整机企业能力纵深达标率、初创企业存活率、场景服务商数量。场景与商业类：场景闭环项目数、租赁/按效果付费项目数、公共场景首用数、客户付费率。供应链类：核心部件自主化率、部件成本下降幅度、供应链风险环节替代进度。安全治理类：安全